亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

本文探討了在實際戰場場景中增強態勢感知的聯合通信和傳感技術。特別是，提出了一種空中可重構智能表面（ARIS）輔助綜合傳感與通信（ISAC）系統，該系統由單個接入點（AP）、ARIS、多個用戶和一個傳感目標組成。通過深度強化學習（DRL），在信號干擾比（SINR）約束條件下聯合優化了接入點的發射波束成形、RIS 相移和 ARIS 的軌跡。數值結果表明，通過抑制自干擾和雜波回波信號或優化 RIS 相移，所提出的技術優于傳統的基準方案。

隨著設備種類的增加，戰場環境變得更加復雜多變，對先進無線傳感與通信技術的需求也在不斷增加。最近，綜合傳感與通信（ISAC）被認為是未來使用毫米波（mmWave）等高頻段無線網絡的一項有前途的技術[1]。特別是，由于雷達傳感和無線通信共享相同的頻譜和硬件設施，ISAC 有可能提高戰場上的整體作戰效率[2]。

ISAC 下行鏈路系統的整體流程一般是由接入點（AP）向用戶發射 ISAC 信號，并處理目標反射的回波信號。然而，由于鏈路的主要視距（LoS）信道特性，軍事場景中的 ISAC 無法避免被各種障礙物（如山脈）阻擋的問題，并隨著通信距離的增加而造成嚴重的路徑損耗[3]。為了克服 LoS 信道的物理限制，可重構智能表面（RIS）作為一種關鍵技術應運而生，它通過調整相移來重新配置信號傳播，從而擴大目標探測和通信范圍[4]，[5]。作者在文獻[5]中提出了 RIS 輔助單目標多用戶 ISAC 系統中的聯合發射和接收波束成形技術。然而，在接入點和地面節點之間部署地面 RIS 在動態戰場環境中提供足夠的服務質量（QoS）方面存在局限性。另一方面，將 RIS 安裝在無人飛行器（UAV）上的空中 RIS（ARIS）可利用移動性在動態戰場環境中提供更有效的感知和通信性能[6]。文獻[7]考慮了由 ARIS 輔助的 ISAC 系統，以重新配置傳播環境，靈活對抗惡意干擾。

之前的研究[6]、[7]中針對傳感或通信網絡的 ARIS 系統的解決方案大多是通過凸優化提供的，無法快速應用于戰場場景。深度強化學習（DRL）方法因其在通過深度神經網絡與環境交互的同時制定策略的優勢，已被積極采用，作為傳統優化方法的替代方案。在 DRL 算法中，眾所周知，深度確定性策略梯度（DDPG）在連續行動空間（如 ARIS 軌跡）中收斂和運行良好[8]。文獻[9]的作者提出了一種基于 DRL 的 ARIS 軌跡設計，用于與車輛進行通信和定位。然而，從實際角度來看，當 AP 工作在全雙工模式時，自干擾問題 [10] 不可忽視，而且還需要一種抑制雜波回波信號的方法 [3]。

這項工作的重點是軍事場景中基于 DRL 的 ARIS 輔助 ISAC 系統，其中多天線 AP 為地面用戶提供服務并探測目標。我們的目標是通過聯合優化發射波束成形、RIS 相移和 ARIS 軌跡，使目標定位的 Cramer-Rao 約束（CRB）[11] 最小化。此外，為了應對自干擾和雜波回波信號帶來的挑戰，我們采用了一種基于無效空間投影（NSP）的接收波束成形方案[12]來抑制這些信號。為了應對所提問題的非凸性，我們提出了一種基于 DDPG 的算法，在與環境交互的同時尋找最優策略。通過模擬驗證，所提出的方法優于其他基準方法，如固定 RIS 相移或不應用基于 NSP 的接收波束成形方案。

本文的其余部分安排如下： 第二節介紹系統模型，包括 ARIS 輔助 ISAC 系統的信道、通信和雷達傳感模型。第三節介紹了所提出的基于 DRL 的算法，該算法旨在最小化整個系統的 CRB。第四節展示了數值結果，第五節為本文的結論。

本文介紹了一種獨特的方法，即由一個裝有網的飛行機器人對不合作的無人駕駛飛行器進行中空自主空中攔截。本文提出了一種名為 “快速響應比例導航（FRPN）”的新型攔截制導方法，旨在依靠機載狀態估計和跟蹤捕捉靈活機動的目標。在使用 100 個不同復雜度的目標軌跡（包括近 14 小時的飛行數據）進行的仿真中，將所提出的方法與最先進的方法進行了比較，結果表明 FRPN 的響應時間最短，攔截次數最多，而這正是敏捷攔截的關鍵參數。為了能夠從理論和仿真穩健地轉移到實際應用中，我們的目標是避免過度擬合目標的特定假設，并解決攔截未知總體軌跡目標的問題。此外，我們還發現了與目標狀態的跟蹤和估計有關的幾個經常被忽視的問題，這些問題會對系統的整體性能產生重大影響。我們建議使用基于交互多模型濾波器和新測量模型的新型狀態估計濾波器。模擬實驗表明，在考慮一般軌跡時，與常用的卡爾曼濾波法相比，所提出的解決方案能顯著提高估計精度。在這些結果的基礎上，我們采用所提出的濾波和制導方法實現了一個完整的自主攔截系統，該系統在現實模擬中得到了全面評估，并在與機動目標進行的真實世界實驗中得到了測試，其性能遠遠超出了任何最先進解決方案的性能。

圖 1：使用擬議系統成功自主攔截移動目標的拼圖。從 t1 到 t4 的機動時間約為 2 秒。

本文報告了在使用基于遺傳學的機器學習過程和戰斗模擬發現新型戰斗機機動系統方面的經驗。實際上，這一應用中的遺傳學習系統正在取代測試平臺，從經驗中發現復雜的動作。這項工作的目標與許多其他研究不同，因為創新和發現新穎性本身就是有價值的。這使得目標和技術的細節與其他基于遺傳學的機器學習研究有所不同。

本文討論了應用的細節、動機以及所采用技術的細節。介紹了一個玩家適應固定策略對手的系統和兩個玩家共同適應的系統的結果。論文還討論了這項工作在其他自適應行為應用中的普遍意義。

最近在烏克蘭的行動證明，引入新技術、戰術、技巧和程序可以極大地影響 21 世紀的戰場。美軍正在將從這次沖突和其他近期沖突中吸取的經驗教訓融入聯合全域指揮與控制（JADC2）作戰概念。美國防部正在尋求通過 JADC2 實現決策優勢，"在戰爭的各個層次和階段、跨所有領域并與合作伙伴一起產生感知、理解和行動的作戰能力，以相關性的速度提供信息優勢"。雖然這一定義抓住了 JADC2 的目標，但對如何實現這一目標卻知之甚少。本文利用 OODA 循環和一個項目融合用例（濕隙穿越）來說明人工智能 (AI) 將如何在這種復雜而相關的場景中通過降低風險來實現決策優勢。

圖：在 OODA 循環中應用邊緣人工智能 (AIAE) 加快決策能力，提高決策優勢

最近在烏克蘭的行動再次證明，在 21 世紀的戰場上，引進新技術和戰術、技術和程序可以產生重大影響。美軍正在利用從這次沖突和其他近期沖突中吸取的經驗教訓，并將其納入聯合全域指揮與控制（JADC2）作戰概念。最近由美國防部（DoD）贊助的實驗（包括各軍種、作戰司令部和盟國的參與）重點關注日益復雜的局勢，以深入了解 JADC2。

這種方法希望利用人工智能（AI）、機器學習（ML）、自主性和其他先進能力更好地連接傳感器和射手，縮短對對手產生致命和非致命影響的時間，從而影響多域行動。降低作戰人員和決策者的認知負荷以及縮短從探測到交戰決策的時間以獲得優勢等目標，只是國防部正在應對的需求、風險和技術挑戰中的一部分。

決策優勢

與過去的其他沖突一樣，21 世紀的沖突將取決于決策優勢，誰能最好地利用和確保信息，在最短的時間內做出最明智的決策，誰就有可能獲勝。決策優勢被定義為比對手更快地吸收、分析從戰場上獲取的信息并采取行動的能力。

縱觀歷史，決策優勢始終是決定戰斗和沖突勝負的關鍵。現在，面對日益增長的中國威脅，美國的作戰能力和能力優勢正在急劇縮小，在這樣一個時代，實現決策優勢比以往任何時候都更加重要。由于其他國家和非國家行為者在全球范圍內迅速擴散技術，實現決策優勢也變得更具挑戰性。

電信、傳感器、處理能力和武器的進步，以及太空和網絡空間作為作戰領域的作用日益增強，從根本上改變了戰爭中指揮與控制的特點。有鑒于此，國防部正尋求通過聯合作戰指揮與控制2實現決策優勢，"在戰爭的各個層次和階段，在各個領域，與合作伙伴一起，產生感知、理解和行動的作戰能力，以相關的速度提供信息優勢"。但是，盡管這一定義抓住了 JADC2 的目標，卻對如何實現這一目標知之甚少。

共享情報

為了使 JADC2 概念成為現實，各軍種都在分析自己在實現這一愿景方面的貢獻。雖然許多軍種都在專注于創建一個全球目標系統，以實現發現、固定、跟蹤、瞄準、交戰和評估等殺傷鏈功能，但也有一些軍種正在研究 JADC2 如何協助實現決策優勢，以便將部隊機動到優勢位置，阻止對手實現其目標。

美國陸軍最近接待了空軍、海軍、海軍陸戰隊，并首次將國際合作伙伴和盟國納入其中，在其年度現代化實驗中整合技術并測試多域作戰： 2022 融合項目"。陸軍的第三個年度 "聚合項目 "通過在多個地點舉行一系列基于各種作戰場景的實驗和活動，對該軍種的范圍和能力進行了測試。

來自美國、英國和澳大利亞的作戰人員用數周時間測試了約300項技術和新的作戰概念，以展示各軍種有朝一日如何作為一支聯合部隊作戰。這些實驗和其他實驗有助于形成跨組織協作、確定技術投資的優先次序以及完善平臺和系統需求文件，從而為未來作戰環境的構想提供信息。

通過這些不同的實驗，發現一個共同的主題，即未來作戰需要跨國家、跨領域和跨技術的協作，以確保互操作性并實現 JADC2 的愿景。無論在哪種情況下，假設的對手都可能是近鄰競爭對手，并將尋求在無法保證美國空中或其他領域優勢的情況下實現反介入/空中拒止（A2AD）環境。

確定技術挑戰

包括全球定位系統衛星在內的美國天基資產可能會被削弱。人們還認為，帶有人機界面的人工智能/ML 能力將做出最終目標定位和其他決策，而先看、先理解、先行動和先決策的能力將為哪一方獲勝提供關鍵優勢。同樣顯而易見的是，工業界、學術界和聯盟伙伴在為存在的各種差距和挑戰尋找技術解決方案方面至關重要。

本文旨在探討新的創新技術解決方案如何有助于利用有人和無人系統在陸地領域實現決策優勢。本文將確定并討論關鍵技術挑戰和風險，以及潛在的技術材料解決方案。實現 JADC2 需要在條令、組織、培訓、物資、領導力和教育、人員、設施和政策方面進行重大變革，但本文將只關注物質解決方案。

當前地面戰中的人工智能

認識到數據是一種戰略資產，并在多域行動中采用全局性的整體方法，將有助于推進 JADC2 計劃，并提高各軍事任務的決策優勢。值得注意的最復雜地面場景之一是濕式間隙穿越作戰，這對機動部隊接近和摧毀敵軍非常重要。(圖 1）

然而，在計劃和執行這些關鍵行動時，后勤保障面臨著明顯的挑戰。(圖 2）一旦成功實施，濕式間隙穿越作戰就能提供戰爭中最有價值的基本要素之一--速度。速度是掌握主動權、防止敵人偵察和取得成功的關鍵。執行安全高效的濕式間隙穿越行動可以讓友軍為成功創造必要條件。

俄羅斯部隊最近在烏克蘭的一次失敗的濕式間隙穿越突顯了與這一復雜行動相關的許多挑戰和風險。俄軍在試圖穿越橫跨烏克蘭東部 Siverskyi Donets 河的浮橋時，損失了兩個或更多營的兵力--可能有 100 輛車和一千多名士兵。

在對這一失敗場景進行評估時，本文將探討進行濕式間隙穿越行動的主要風險，以及使用人工智能/移動式語言和其他關鍵技術的潛在技術解決方案。

圖 1：濕隙交叉口的描述

圖 2：規劃和執行濕式間隙穿越作戰時的典型分析

分析風險

由于未來大多數入侵資產都可能使用無人或可選有人系統，因此需要確保大量數據的安全，并通過戰術網絡進行傳輸，以同步執行偵察與安全、機動、火力、后勤和其他作戰功能。在宏觀層面，JADC2 需要通過各種分布式傳感器收集大量數據，并將其處理為可操作的信息。

戰略、作戰和戰術層面的利益相關者利用由此產生的信息流中的相關要素，以最佳方式執行任務。整個系統通過一套強大的通信鏈路連接在一起。這并不意味著每個人都能接收到所有信息，因為那樣每個人都會被數據淹沒。相反，這需要分配正確的信息，使各組織能夠在其特定責任領域取得更好的效果。以下是材料解決方案需要應對的其他風險：

• 如果無法在間隙穿越地點實現出其不意，那么在穿越過程中出現人員傷亡和任務失敗的幾率就會很高。

• 如果穿越點缺乏指揮和控制（C2），那么友軍很容易被對手的致命和非致命火力摧毀和削弱。

• 如果網絡保護不足或缺乏安全的空中更新，那么無人系統或可選擇的有人系統就會被對手欺騙或接管，從而破壞缺口穿越行動。

• 如果友軍處理傳感器和射手數據的能力下降，那么由于機動、火力和其他作戰功能之間缺乏同步，成功穿越缺口的可能性就會降低。

• 如果聯合和聯軍的 C2 系統不能互操作，那么同步作戰功能以確保成功穿越行動的能力就會降低。

技術挑戰的解決方案

在決策過程中應用和評估技術需要一個模型。OODA 循環--觀察、定位、決策、行動--是一個眾所周知、廣為接受的模式，尤其是在作戰人員群體中，因為它的起源。它是由美國空軍上校約翰-博伊德（John Boyd）提出的概念，是各領域決策和行動的典范。

OODA 循環描述了決策和行動的四步流程。首先，觀察環境并收集信息。然后，通過分析信息并理解其含義，為自己定位。然后，根據觀察和定位，決定采取什么行動。最后，根據決定采取行動。

OODA 循環強調決策和行動中速度和靈活性的重要性。我們的目標是盡可能快速高效地完成這一循環，以便適應不斷變化的環境，并在機會出現時加以利用。

通過觀察上圖，利用人工智能實現決策優勢有兩個關鍵的考慮因素：

• 人工智能（AI）處理適用于每個部分
• 盡量減少四個步驟之間的延遲

前面在 "濕隙穿越 "場景中概述的風險所體現的一個宏觀考慮因素是，決策必須在 "邊緣 "做出，而不是從指揮中心遠程做出。這大大減少了延遲，并在快速變化的環境中提供了靈活性。邊緣人工智能（AIAE）是指在靠近數據源的設備上部署人工智能算法。

將傳感器直接連接到 AIAE 單元將大大減少 OODA 循環中觀察-定向步驟之間的延遲。傳感器數據將從傳感器傳輸到人工智能單元的傳感器輸入端，然后通過處理集成電路內部的高速總線或同一單元內集成電路之間的高速總線傳輸到數據處理核心。(圖 3）

在 AIAE 單元中進行人工智能處理和決策，還將大大減少 "定向-決策 "步驟之間的延遲。這樣就不需要為額外的決策步驟向外部中心發送大量數據，然后等待決策回傳。出于同樣的原因，從 AIAE 單元發送 "行動 "命令也將減少 "決定-行動 "步驟的延遲。

圖 4：GPU 的并行處理架構可實現比 CPU 更快的計算速度，從而支持大量的人工智能應用

實現人工智能處理

用于 AIAE 處理的一個主流 COTS（商用現成）解決方案是通用圖形處理單元（GPGPU）。圖形處理單元上的通用計算指的是使用 GPU（圖形處理單元）來執行除傳統圖形渲染作用之外的通用計算。

GPU 設計用于并行處理大量數據，使其成為執行某些計算的理想選擇，速度比傳統 CPU（中央處理單元）快得多。通過利用 GPU 的并行處理能力，GPGPU 可以加速各種人工智能應用。(圖 4）

技術的進步為市場帶來了更高性能的小型超級計算機，它們將 GPGPU 與 CPU 相結合，可用于 AIAE 應用。GPU 廣泛用于人工智能應用。

英偉達?（NVIDIA?）Jetson系列模塊將支持人工智能的GPGPU與多核CPU結合在一起，形成了一個緊密耦合、高性能、低功耗的超級計算機，可支持人工智能處理能力和決策應用軟件。英偉達?（NVIDIA?）Jetson 系列有多種不同外形尺寸、性能和最大功耗的模塊可供選擇。(圖 5）

圖 5：NVIDIA Jetson 系列包括不同的模塊，具有不同的外形尺寸、性能和最大功率選項。

以英偉達?（NVIDIA?）Jetson Xavier NX 模塊為例，該模塊可提供每秒六萬億次浮點運算（TFLOPS）的性能，最大功率為 15 瓦。這樣的性能可與配備處理器和圖形處理器卡的數百瓦工作站相媲美。

這種計算架構可以每秒 30 幀的速度處理和應用 20 多個 1040p 分辨率高清視頻輸入的人工智能算法，也就是說，它有足夠的帶寬來運行人工智能應用程序，為系統中的多個高清攝像機提供服務。

配備英偉達?（NVIDIA?）Jetson Xavier NX 模塊的加固單元可小至 4" x 2.3" x 3.9"。最大重量為 1.3 磅，最大功率為 15 瓦，從尺寸、重量、功率（SWAP）和性能的角度來看，它是 AIAE 應用的理想選擇。(圖 6）如果需要更高性能，基于更高性能英偉達?（NVIDIA?）Jetson 模塊的更大和更高功率的堅固解決方案是可以實現的。

圖 6：緊湊型高性能超級計算機正在邊緣處理大量傳感器數據。

這類基于 GPGPU 的堅固耐用單元還可以支持以太網（1GbE 和/或 10GbE）、CAN 總線、串行端口等行業標準接口）。例如，以太網接口可用作與系統中其他 "智能 "盒和任務計算機的通信通道，也可通過無線通信轉換器與外部設備進行交互。如果需要低延遲以太網通信，可使用時間敏感網絡（TSN）或時間觸發以太網（TTE）。

使用以太網網絡進行內部通信，可實現從物理電纜到路由器和數據包的多種冗余級別。在整個網絡中實施 IEEE 1588 時間分配可使所有網元同步到單一時間源。

除了高速傳感器處理外，這些單元還可用于處理來自低速傳感器的數據--模擬 I/O、離散 I/O、串行端口等。將這些功能整合到一個 AIAE 單元中，有助于消除車輛中額外的電子設備盒和相關線束，進一步減小電子設備的尺寸、重量和功率。

時敏網絡（TSN）與決策優勢

時敏網絡（TSN）的功能，包括精確定時、低延遲通信和確定性數據傳輸，有助于改進決策過程，提高對態勢的認識，并最終實現決策優勢。

通過提供低延遲通信，TSN 可通過高精度、高可靠性的實時數據傳輸，確保關鍵信息及時送達決策者。它還有助于收集、匯總和分析這些實時數據，使決策者能夠獲得最新的準確信息，做出明智的選擇。

TSN 跨分布式網絡同步設備和系統的能力有助于實現決策優勢。它能確保來自多個來源的數據保持一致，提供對運行環境的整體了解，并加強傳感器、執行器和控制系統等不同組件之間的協調，實現無縫協作和集成。

利用邊緣人工智能（AIAE）優化地面車輛運行

1 簡化網絡通信

將堅固耐用的人工智能超級計算機放置在傳感器（如高分辨率相機、紅外探測器）附近，有助于解決地面車輛電子設備方面的難題，最終使作戰人員受益。例如，在傳感器附近進行物體識別/分類、目標識別/捕獲、地形分析等處理可帶來以下好處：

• 無需將大量數據從傳感器傳送到任務計算機或外部指揮中心，減少了延遲和信息過載。

• 縮短系統響應時間，加快決策速度。

• 增強無人或可選有人駕駛飛行器/系統的能力

• 無需在傳感器與任務計算機之間鋪設昂貴的長距離高速數據線，從而降低了布線的復雜性，提高了系統的可靠性、可用性和可維護性。

• 提高系統集成和可操作性--邊緣人工智能"盒與系統中其他 "智能 "盒之間的所有數據均通過行業標準以太網接口傳輸。

• 提高可升級性--所有獨特的傳感器處理都在 AIAE 單元中完成。傳感器和相關處理單元（如有需要）無需更換以太網電纜即可升級，也無需更換任務計算機，這可減少將新功能提供給作戰人員所需的時間和成本。

• 提高可擴展性--如果飛行器能提供幾個額外以太網端口的布線，就能增加額外的傳感器和 AIAE 盒，從而使新任務設備包的集成變得更容易、更快捷。

• 通過減小電子系統的尺寸、重量和功率 (SWaP)，無需大型任務計算機和笨重的線束，從而使地面系統更加可用、可靠和易于維護。

2 網絡安全保護

具有增強網絡安全保護能力的高性能人工智能系統將有助于防止網絡和欺騙攻擊，并保護信息共享數據鏈路。

使用 "邊緣人工智能 "解決方案將有助于通過以下方式消除或最大限度降低第 6 節所述的以下風險：

• 通過在源頭處理大部分數據，大幅減少戰術網絡共享的數據量

• 為每個數據用戶分配正確的信息，從而簡化數據分配工作

• 縮短響應時間，改進指揮與控制 (C2) 通信

• 改善通信渠道的網絡保護

• 最大限度地降低傳感器數據處理能力下降的可能性--大部分數據在本地處理，冗余方案可用于解決傳感器受損問題

• 使用單一時間源同步車輛內和多個平臺上的所有系統

• 如果所有系統都使用相同的通信協議和數據報文結構，則可消除聯盟 C2 系統之間的互操作性問題

3 優化地面車輛人工智能的其他考慮因素

雖然 AIAE 有許多好處，如減少延遲和增加隱私，但它也提出了一些必須解決的技術挑戰。其中一些挑戰包括

• 處理能力有限：與基于云的服務器相比，邊緣設備的處理能力和內存往往有限。因此，開發可在低功耗邊緣設備上有效運行的人工智能算法是一項重大挑戰。

• 存儲空間有限： 邊緣設備的存儲空間通常有限，從而限制了可在本地處理和存儲的數據量。這也會影響需要大型數據集的機器學習模型的準確性。

• 能源效率： 邊緣設備通常基于低功耗解決方案。開發高能效的人工智能算法對于最大限度地降低邊緣設備的功耗至關重要。

• 連接性： 邊緣設備與云的連接可能時斷時續或有限，這給訓練和更新機器學習模型帶來了挑戰。這也會限制與網絡中其他設備的通信能力。

• 安全和隱私： 邊緣設備可能更容易受到安全威脅，在邊緣使用人工智能會引發對數據隱私的擔憂。確保邊緣人工智能的安全和隱私保護至關重要。

• 標準化： 隨著邊緣人工智能的發展，需要實現標準化，以確保不同設備和系統之間的互操作性和兼容性。

要應對這些挑戰，就需要在邊緣人工智能領域不斷進行研究和開發，并在各行業和標準組織之間開展合作。基于英偉達?（NVIDIA?）Jetson 模塊的堅固耐用的 AIAE 解決方案可以幫助應對其中的許多挑戰。

結論

利用 AI/ML 和先進的算法戰爭系統可為實現決策優勢提供顯著優勢。能夠切實有效地保護、傳輸和處理信息，并比對手更快地壓縮 OODA 循環的軍隊很可能會取得勝利。AI/ML 不是明天的問題。這種使能技術今天已在使用，將來會越來越普遍。

對于國防部來說，要實現 JADC2 的愿景，首先要求工業界有能力連接當前所有可支持戰區感知的傳感器，使傳感器數據可供任何行動級別的任何潛在用戶使用。這種數據共享結構可以創建安全的作戰空間感知，從而了解單一、綜合、全球作戰空間中某一區域的行動，并為其他區域所需的行動和決策提供依據。

其次，傳感器數據共享和互操作性的概念應在每個系統和項目中強制實施。此外，國防部還需要加快數字化轉型、原型設計和系統集成的速度，以便利用數據，建立更好的作戰制勝人工智能/移動式人工智能算法和硬件系統，并通過學習和實驗活動加以鍛煉，以取得成功。

這項工作研究了在任務式指揮設備中嵌入模擬器的實用性和有效性。其目標是僅使用戰區作戰計劃作為模擬輸入，向操作員隱藏所有模擬器細節，使其無需學習新工具。本文討論了一種原型功能，該功能可根據 SitaWare 中生成的作戰計劃以及嵌入式無頭 MTWS 和 OneSAF 模擬器的模擬結果，生成行動方案（COA）分析。在輸入作戰計劃后，指揮官選擇要執行的模擬運行次數，并按下按鈕啟動模擬，模擬在后臺的運行速度比實時運行更快。模擬運行完成后，指揮官可通過圖形和圖表查看結果，對多次運行進行比較。預計未來的能力將允許指揮官模擬任何梯隊和命令，用于訓練和兵棋推演。

本文所介紹的研究得到了德國聯邦國防軍裝備、信息技術和在役支持辦公室 (BAAINBw) 的支持。

有人無人編隊是提高民用和軍事行動效率的一個關鍵方面。本文概述了一個為期四年的項目，該項目旨在開發和評估有人-無人編隊飛行的方法。編隊飛行場景是針對執行近距離編隊飛行的有人和無人駕駛旋翼機量身定制的。本文介紹了使用案例和測試方法。開發了兩種編隊飛行算法，并對照基于航點的預編程基線進行了評估。評估是在由不同飛行員參與的模擬器活動和由一名評估飛行員參與的飛行測試活動中進行的。在最后的飛行測試活動中，首次實現了有人駕駛和無人駕駛直升機之間的耦合近距離編隊飛行。最后，本文包含了飛行測試和模擬器測試的結果。

人機編隊飛行

在德國航天中心 MUM-T 研究期間，對三種一般編隊策略進行了調查。

第一種方法在評估過程中被用作基線。這種方法被稱為航點模式，假定有人駕駛直升機的機組人員通過基于航點的界面指揮無人機的移動。這種基于航點的導航是無人直升機最先進的能力。由于耗時和可能的輸入錯誤，飛行任務需要大量的準備時間。由于缺乏靈活性，無人直升機被認為是編隊的領導者。因此，載人直升機跟隨無人機的飛行模式并保持編隊，同時監控空間間隔以避免碰撞。在這種模式下，載人直升機可以隨時離開編隊，但只要編隊還在，就必須監控兩架飛機之間的距離。通過引入最小距離或半徑（稱為安全半徑）來確保飛行安全。圖 1 給出了簡要概述。

請注意，編隊的領隊是確定飛行速度或方向等飛行參數的飛機。在 DLR MUM-T 飛行測試活動中，出于安全考慮，無人機始終位于載人直升機之前。

第二種基于相對導航的方法在下文中稱為 RelNav。在這種模式下，無人機使用控制器保持與載人直升機的相對位置。有關編隊飛行控制模式的詳細介紹，請參閱參考文獻[21]。[21]. 在該模式下，無人直升機與有人駕駛直升機直接耦合，無人機跟隨有人駕駛直升機飛行，不執行任何規定任務。在 RelNav 模式下，有人駕駛直升機指揮編隊，無人機保持相對位置。此外，還在有人駕駛直升機前方劃定了一個安全區域，從駕駛艙可以目視到無人直升機，以提高飛行安全性。在圖 2 中，該區域顯示為允許區域，而最小距離則表示為安全半徑。

第三種方法旨在將 RelNav 模式中任務期間改變飛行路線的靈活性與航點模式中載人直升機不直接耦合運動相結合。這種模式被命名為 "走廊模式"，因為它的主要特征是 "走廊"。走廊是一種類似航點的任務，具有規定的速度和轉彎，但使用的不是規定的航點位置，而是允許的無障礙區域。在 "走廊 "模式下，無人飛行器會沿著走廊飛行，但如果違反了規定的邊界，則會發出額外的速度指令。這些邊界可以是最大或最小距離，也可以是相對于載人直升機的某個方向。在這種模式下，無人機能夠對載人直升機的行為做出反應，但對細微的航向或速度變化不太敏感。無人機在走廊模式下的行為可分為兩種不同情況。首先，在標稱行為中，無人機完全處于走廊的邊界內。因此，無人飛行器是按照規定的走廊飛行。邊界上有預定義的緩沖區，為防止違反邊界，會對無人飛行器發出速度指令。無人機在接近允許區域的邊界或允許走廊的邊界時會改變行為。在這兩種情況下，如果同時到達兩個邊界，就會產生一個速度指令，以防止違反邊界；詳細計算可參見參考文獻[21]。[21]。 如果違反了允許走廊的邊界，無人飛行器應切換到 RelNav 模式。或者，如果走廊和載人直升機的允許區域都被侵犯，無人機應切換到航點模式。圖 3 是走廊模式的示意圖。

為確保飛行安全，該項目還開發了另一種應急模式，該模式被命名為 "脫離模式"。在任何 MUMT 編隊飛行中，該子模式始終可用。如果違反了安全關鍵邊界或出現技術缺陷，就會啟用該模式。該模式將兩架飛機分離，并觸發無人機的預定義行為。載人直升機的脫離行為被定義為 90° 轉身離開無人機并爬升約 150 英尺。

引入的 MUM-T 模式具有不同的自動化程度。不過，要實現安全的 MUM-T 編隊飛行，必須執行幾項共同任務。它們是：

領導編隊：一架飛機（稱為領隊）確定編隊參數（如速度、高度或航跡）。

避免碰撞：這項任務要求監控飛機之間的距離，并對任何違反安全規定的情況做出反應。

保持編隊：監控編隊領隊位置并保持相對位置不變是保持編隊的任務。

在現代空戰中，超視距（BVR）交戰越來越頻繁。飛行員面臨的主要挑戰之一是機動計劃，這反映了他們的決策能力，并能決定成敗。為確保采用虛擬BVR空戰模擬的飛行員訓練取得成功，計算機生成部隊（CGF）的高精度水平至關重要。要實現這一目標，不僅要充分復制和模擬實體的物理特性，還要使其具有接近人類的行為。在本文中，我們提出了應對這些挑戰的總體概念： 首先，我們引入飛行運動動態模型（飛機、導彈、箔條）以及干擾器。然后，我們分析典型的超視距空戰的工作流程，將其分為攻擊、自衛和決定。在此背景下，我們引入行為樹作為這些任務的建模方法，并解釋其優點。進一步的計劃包括在未來由人類控制的對手飛機（飛行員）與CGF對飛的實驗活動中驗證和確認CGF的行為。最后，我們對未來的工作進行了展望，我們打算在包含多個自由度的任務中采用強化學習。

北約科技組織（STO）應用車輛技術（AVT）329 "NexGen旋翼機對軍事行動的影響 "評估了2035+時間框架內適用科學技術（S&T）發展對軍事行動的潛在影響。對預計的未來任務進行的兩次作戰分析（OA）評估時，評估采用了基于風險的主題專家判斷。

利用定義的任務小插曲，參與評估的主題專家確定了利用當前北約軍用直升機能力實現各項任務的風險。然后評估每個風險發生的可能性和對實現任務的影響。對于每個風險，確定的緩解措施包括技術的應用、戰術的改變和其他措施。隨后對確定的風險緩解措施的行動影響進行了評估，以確定其軍事價值。

基于風險的評估框架使來自多個北約和伙伴國的具有軍事行動、需求和技術專長的主題專家能夠進行定性評估。由于所有參與者以前都熟悉風險評估過程，該框架很容易被調整為進行貿易空間業務需求和關鍵技術的審計。

本文提出了一種方法，旨在優化穿越敵人高射炮火力范圍的飛行路徑。這適用于在完全或部分由高射炮控制的空域中移動的各種飛機、導彈和無人機。為此，使用了Q-learning--一種強化（機器）學習--試圖通過反復的半隨機飛行路徑試驗，找到避開高射炮的最佳策略。Q-learning可以在不直接模擬高射炮的情況下產生一條穿過敵人火力的最佳飛行路徑。仍然需要對手的反應，但這可以來自于黑盒模擬、用戶輸入、真實數據或任何其他來源。在這里，使用一個內部工具來生成防空炮火。這個工具模擬了一個由火控雷達和卡爾曼飛行路徑預測濾波器引導的近距離武器系統（CIWS）。Q-learning也可以用神經網絡來補充--所謂的深度Q-learning（DQN）--以處理更復雜的問題。在這項工作中，展示了使用經典Q-learning（無神經網絡）對一個穿越高射炮位置的亞音速飛行路線的優化結果。

這項工作的目的是開發能夠成功處理復雜動態環境中順序決策的深度終身學習方法，重點是多Agent情報、監視和偵察（ISR）場景。我們為深度卷積神經網絡開發了一個新的架構，支持通過去卷積因子化的終身學習（DF-CNN），探索了通過Distral和Sobolev訓練的策略提煉的組合，并開發了一個混合控制器，將深度學習應用于ISR智能體。我們的方法在標準基準深度學習數據集、DOOM環境和ATE3模擬環境中的ISR場景中進行了評估。

我們的主要貢獻是反卷積因子卷積神經網絡（DFCNN）。DF-CNN框架調整了標準卷積神經網絡（CNN）框架，以實現任務之間的轉移。它在每個CNN層維護一個共享知識庫，并通過這個共享知識促進不同任務的CNN之間的轉移。每個具體任務的CNN模型的各個過濾層都是由這個共享知識庫重建的，隨著網絡在多個任務中的訓練，這個知識庫會隨著時間的推移而調整。DF-CNN代表了ELLA終身學習框架對深度網絡的概括。

實驗表明，DF-CNN在終身中的基準識別任務上的表現優于其他方法（包括單任務學習、低層的硬參數共享和漸進式神經網絡）。此外，該框架能夠抵抗災難性遺忘，同時仍然允許從未來的學習中反向轉移到以前學習的模型。

對于深度強化學習，我們研究了將Sobolev訓練整合到Distral多任務框架中，以努力改善轉移和訓練，探索了DF-CNN在深度RL中的應用，并開發了一個混合控制器，將本地學習的深度RL策略結合在一起，在ATE3仿真環境中完成ISR場景。